pdfjs：使用正确的换行符/空格从 pdf 中获取原始文本

Question

使用pdf.js，我制作了一个简单的函数来从pdf中提取原始文本：

async getPdfText(path){

    const pdf = await PDFJS.getDocument(path);

    const pagePromises = [];
    for (let j = 1; j <= pdf.numPages; j++) {
        const page = pdf.getPage(j);

        pagePromises.push(page.then((page) => {
            const textContent = page.getTextContent();
            return textContent.then((text) => {
                return text.items.map((s) =>  s.str).join('');
            });
        }));
    }

    const texts = await Promise.all(pagePromises);
    return texts.join('');
}

// usage
getPdfText("C:\\my.pdf").then((text) => { console.log(text); });

但是我找不到正确提取新行的方法，所有文本都只提取在一行中。

如何正确提取文本？我想以与台式电脑相同的方式提取文本：

打开pdf（双击文件）->选择所有文本（CTRL + A）->复制所选文本（CTRL + C）->粘贴复制的文本（CTRL + V）

Answer 1

我知道这个问题已经有一年多了，但万一有人遇到同样的问题。

作为this post said：

在 PDF 中没有使用控制字符控制布局这样的东西 例如 '\n' - PDF 中使用精确坐标定位的字形。采用 文本 y 坐标（可以从变换矩阵中提取）来检测 换行。

因此，对于 pdf.js，您可以使用 textContent.items 对象的 transform 属性。特别是表格的方框 5。如果这个值发生变化，那么就意味着有一个新行

这是我的代码：

            page.getTextContent().then(function (textContent) {
                var textItems = textContent.items;
                var finalString = "";
                var line = 0;

                // Concatenate the string of the item to the final string
                for (var i = 0; i < textItems.length; i++) {
                    if (line != textItems[i].transform[5]) {
                        if (line != 0) {
                            finalString +='\r\n';
                        }

                        line = textItems[i].transform[5]
                    }                     
                    var item = textItems[i];

                    finalString += item.str;
                }

                var node = document.getElementById('output');
                node.value = finalString;
            });

虽然听起来很奇怪，但您也可以使用fontName 属性，而不是使用tranform。每一行，fontName 都会改变。